什麼是主題卡片推薦？

主題推薦，就是給定一個概念，然後推薦系統圍繞著這個主題將將相關聯的商品推薦給用戶。

“主題” 是個超越類目, 產品詞或標籤的存在，他可以是：

• 旅行出行
• 文青
• 寬鬆顯瘦
• 愛車人
• 追星族
• 愛美

等於是把商品池中的類目關係解構又重構出一個新的子集。

以用戶端接觸的 UI 來看，主題卡片推薦由兩個構成： Feed 流卡片推薦與 Landing Page 主題推薦。

前言

在前篇 內容推薦 (1) 關鍵詞識別 中，我們利用 entropy 從商品池的 title 中辨識出 product word & label word

此篇，我們將利用已經辨識出的 product word & label word 回頭對商品池中的商品 title 做 embedding

當然你也可以直接將所有 title 送進 Word2Vec 硬 train 一發，然後對 title 內的所有的 word vectors 取平均得到 title vector。

背景

從內容召回說起

電商推薦系統多路召回中，通常會有一路召回商品叫內容召回 $\text{content I2I}$

content I2I 與其他根據用戶行為的召回不同， 最簡單的 content I2I 可以根據 A 商品 title 內容找出其他與 A 相似的 title 的商品，這給了他很強的推薦解釋性

對於商品冷啟動或者系統冷啟動來說，content I2I 可以在沒有用戶交互訊息時，就可以進行推薦，也不失為一種冷啟動方案。

在萬物皆可 Embedding 的今天，content I2I 只要把所有商品的 title 送進 word2Vec 硬 train 一發也就完事了

當然要是這麼簡單，也就不會有這篇了

CBOW with Hierarchical Softmax

CBOW 的思想是用兩側 context words 去預測中間的 center word

Skipgram with Negative Sampling

skipgram 的思想是用中心詞 center word 去預測兩側的 context words

用 pytorch 實現最簡單版本的 CBOW 與 skipgram，objective function 採用 minimize negative log likelihood with softmax

以下用 Skip-gram 為例

以 CBOW 為例

General Form

展開來後 $P(w_1, w_2, w_3,…,w_T) = P(w_1)P(x_2|w_1)P(w_3|w_2, w_1)…P(w_T|w_1,…w_{T-1})$

這篇是在 notion 整理的筆記大綱，只提供綱要性的說明

預備知識

• language model： NLP 語言模型

  參閱 Word2Vec (1):NLP Language Model

• huffman tree

簡介

兩種網路結構